با افزایش رشد فناوری و جمعیت، ورود آلاینده‌ها به منابع آبی رو به افزایش است و دریاچه‌های طبیعی در معرض آلودگی و تغذیه‌گرایی، از مهم‌ترین منابع آب کشورها به شمار می‌روند. در این پژوهش، از داده‌های کیفیت آب برای تخمین غلظت اکسیژن‌خواهی بیوشیمیایی پنج‌روزه (BOD₅) در شش زیرحوضه و ۳۴ ایستگاه نظارتی یک دریاچه قطبی با دسترسی سخت و محدود استفاده شد. هدف، کاهش هزینه‌های پایش، افزایش کارایی نظارت بر کیفیت آب و ارزیابی رویدادهای بحرانی بود. برای این منظور، عملکرد سه مدل یادگیری ماشین و یادگیری عمیق شامل جنگل تصادفی (Random Forest)، XGBoost و شبکه عصبی پیچشی (CNN) با معماری متفاوت ارزیابی شد. متغیرهای ورودی شامل پارامترهای فیزیکی، شیمیایی و زمانی مانند pH، کدورت، اکسیژن محلول، عمق دیسک سکی، رسانایی، دمای آب و زمان نمونه‌برداری بودند. داده‌ها در بازه‌ای ۴۰ ساله از ایستگاه‌های مختلف گردآوری شد و شامل حدود ۶۵۰ مشاهده بودند. با تحلیل ماتریس همبستگی، ضرایب پیرسون بینBOD₅ و متغیرهای ورودی محاسبه شد. نتایج نشان داد هر سه الگوریتم در پیش‌بینی BOD₅ مؤثرند. در مدل جنگل تصادفی، مقدارضریب تعیین (R²) در اعتبارسنجی بین ۰٫۸۵ تا ۰٫۸۶ بود و طبق تحلیل اهمیت متغیرها اکسیژن محلول، pH، کدورت و زمان نمونه‌برداری مهم‌ترین پارامترهای تخمین بودند. مدل XGBoost نیز R² برابر ۰٫۸۳ تا ۰٫۸۴ داشت و متغیرهای مهم شامل اکسیژن محلول، pH، کدورت و تاریخ نمونه‌برداری بودند. مدل CNN بهترین عملکرد را نشان داد و به R² برابر ۰٫۸۸ تا ۰٫۸۹ رسید. بر اساس تحلیل مدل برگزیدهCNN ، رسانایی، اکسیژن محلول، pH، کدورت و ساعت نمونه‌برداری مهم‌ترین پیش‌بینی‌کننده‌های BOD₅ بودند.